Evolusi AI Perniagaan: Dari ML Klasik ke AI Moden

Kenali Priya. Dia mengetuai syarikat broker pengangkutan dengan 120 orang pekerja di kawasan midwest, dengan hasil tahunan sekitar $22 juta.

Perniagaan berjalan baik. Tahun 2025 adalah tahun terbaik dalam sejarah syarikat, dan seluruh pasukan menyedarinya.

Namun sesuatu dalam cara orang berbicara tentang AI mengganggu fikirannya. Setiap demo vendor bermula dengan "revolusi AI." Salah seorang pengurus operasinya, yang baru bergabung tahun lalu sejurus tamat pengajian, memberitahunya minggu lalu bahawa AI sebenarnya tidak wujud sebelum model bahasa besar.

Bahagian terakhir itulah yang mencetuskan rasa tidak puas hatinya.

Kerana Priya tahu ia tidak benar. Dia pernah bekerja di sebuah bank pada awal 2000-an. Sistem statistik menyaring permohonan pinjaman sebelum pengurus beliau pernah melihatnya. AI tidak bermula pada 2022. Antaramuka berubah. Kebolehaksesannya berubah. Tahap kebisingannya jelas berubah.

Tetapi perkara yang mendasarinya telah berkembang selama 30 tahun.

Artikel ini untuk Priya, dan untuk setiap pengasas atau ketua operasi yang ingin memahami apa yang sebenarnya berubah dalam tiga dekad tersebut, mengapa gelombang 2022 adalah evolusi dan bukan pecahan, dan bagaimana ACE Framework dibina untuk bertahan dalam peralihan seterusnya.

Era 1: ML Klasik (kira-kira 1990 hingga 2010)

Era pertama AI perniagaan berjalan secara senyap. Ia tidak mempunyai jenama. Tiada siapa yang menulis slaid ucaptama tentangnya. Ia hanya berjalan di dalam sistem yang dibayar oleh syarikat dan sebahagian besarnya diabaikan.

Tulang belakang teknikal adalah machine learning klasik: pokok keputusan, regresi logistik, model statistik yang dilatih pada data sejarah. Ini bukan rangkaian neural dalam erti kata deep learning. Ia adalah, pada terasnya, alat pemadanan corak yang canggih yang menukar rekod sejarah berlabel menjadi anggaran kebarangkalian.

Apa yang berjaya. Penapis spam, skor FICO (diperkenalkan pada 1989, dominan sepanjang 1990-an), dan enjin cadangan di Amazon dan Netflix awal. Ini tidak glamor. Tetapi ia berfungsi pada skala besar. Menjelang pertengahan 2000-an, bank-bank besar menjalankan sistem pengundian automatik yang memproses ribuan permohonan pinjaman dengan semakan manusia yang minimum pada peringkat pertama.

Siapa yang menggunakannya. Perusahaan besar dengan pasukan sains data dan infrastruktur khusus. Anda memerlukan doktor falsafah, saluran paip latihan proprietari, dan berbulan-bulan untuk membina dan menggunakan model yang bermakna. Syarikat pasaran pertengahan dengan 200 orang tidak mempunyai ini.

Pemetaan ACE Framework. Era ini kebanyakannya adalah Predict: pemarkahan, ramalan, pengesanan anomali, pemeringkatan. Sebahagian Analyze turut hadir. Ingest, Generate, dan Execute tidak wujud atau sangat terhad. Ini adalah AI untuk segelintir.

Era 2: Deep Learning pada Skala Besar (kira-kira 2010 hingga 2020)

Era kedua membawa perubahan yang berbeza. Bukan bahawa Predict menjadi jauh lebih baik. Tetapi keluarga keupayaan baru menjadi boleh dilaksanakan secara komersial.

Deep learning, dikuasakan oleh GPU dan dilatih pada set data berskala internet, membuka perkara yang ML klasik tidak mampu lakukan dengan baik: memahami imej, mengenali pertuturan, menterjemah antara bahasa. Kertas AlexNet pada tahun 2012 menunjukkan bahawa rangkaian neural dalam boleh mengatasi setiap pendekatan sedia ada dalam pengecaman imej. Keputusan itu mencetuskan satu dekad penyelidikan gunaan yang menemukan jalannya ke dalam produk dalam beberapa tahun.

Apa yang berubah. Ingest yang boleh dipercayai pada skala besar. AI kini boleh memproses imej (Google Vision API, 2015), menyalin pertuturan dengan ketepatan hampir manusiawi (Google Cloud Speech-to-Text, 2016), dan menterjemah secara masa nyata. Maklumat yang terperangkap dalam audio dan imej boleh mengalir ke dalam sistem AI dengan kos rendah.

Aplikasi perniagaan. Pembantu suara (Siri 2011, Alexa 2014), pengecaman imej untuk kawalan kualiti runcit dan pembuatan, alat terjemahan. Gong dan Chorus ditubuhkan dalam tempoh ini, dibina atas idea bahawa AI kini boleh menyalin panggilan jualan dengan tepat dan mengekstrak makna daripadanya.

Siapa yang menggunakannya. Big Tech membina asas (Google, Microsoft, Amazon) dan membukanya sebagai API. Pengikut pantas dengan pasukan kejuruteraan menggunakan API tersebut. Halangan turun dari "ambil pasukan PhD" kepada "ambil jurutera perisian yang mengetahui REST."

Pemetaan ACE Framework. Ingest menjadi keupayaan yang nyata dan boleh diakses. Analyze menjadi lebih kaya. Predict terus matang. Generate kekal primitif. Execute secara teknikal memungkinkan tetapi jarang bersifat autonomi.

Era 3: LLM dan Agen (2022 hingga kini)

ChatGPT dilancarkan pada November 2022 dan mencapai satu juta pengguna dalam lima hari. Kadar penggunaan itu nyata, dan ia mencerminkan sesuatu yang benar-benar baharu: buat pertama kalinya, antaramuka kepada AI adalah bahasa semula jadi. Anda tidak perlu tahu cara menulis kod, mengkonfigurasi API, atau memahami seni bina model. Anda hanya menaip.

Tetapi teknologi di sebalik antaramuka itu tidak lahir bulan tersebut. GPT-3 telah tersedia secara umum sejak 2020. Seni bina Transformer bermula dari kertas Google pada 2017. Penyelidikan yang menjadikan GPT-4 mungkin telah berjalan selama bertahun-tahun. Apa yang berubah pada November 2022 adalah pembungkusan dan akses, bukan fizik asas tentang apa yang AI boleh lakukan.

Apa yang berubah. Keupayaan Generate bergerak dari pinggiran ke dominan. AI kini boleh menghasilkan teks yang lancar dan padu merentas hampir setiap domain. Dan kerana antaramuka itu perbualan, pengguna tidak perlu mengetahui apa-apa tentang model yang mendasarinya. Wakil jualan boleh menulis e-mel prospek. Pengasas boleh merangka ringkasan lembaga. Ketua operasi boleh membina draf pertama dokumen proses.

Kemudian agen tiba. AI yang bukan sekadar menjana draf tetapi mengambil urutan tindakan: mencari, merumuskan, menulis, dan kemudian benar-benar melakukan sesuatu dalam sistem luaran. Inilah Execute yang menjadi nyata pada skala besar.

Aplikasi perniagaan. GitHub Copilot (penjanaan kod), ringkasan panggilan AI Gong, Intercom Fin (agen sokongan yang mengendalikan tiket dari hujung ke hujung), Salesforce Agentforce, Jasper dan Writer untuk kandungan. Senarai terus berkembang kerana halangan untuk membina dengan teknologi ini turun hampir ke sifar.

Siapa yang menggunakannya. Semua orang. Pengurus produk. Ketua operasi. Wakil jualan. CEO. Ini adalah era pertama di mana seseorang bukan teknikal boleh mendapat nilai bermakna dari AI tanpa langkah konfigurasi selain membuka tab pelayar.

Pemetaan kepada ACE Framework. Generate menjadi keupayaan perniagaan kelas pertama. Execute menjadi nyata: sistem AI yang menghantar e-mel, mengemas kini rekod CRM, menghantar kod, dan mencetuskan aliran kerja tanpa manusia menyentuh setiap langkah. Gambaran lima keupayaan penuh, Ingest, Analyze, Predict, Generate, Execute, kini boleh diakses oleh syarikat pasaran pertengahan buat pertama kalinya.

Apa yang tidak berubah merentas ketiga-tiga era

Kebenaran yang tidak selesa yang tidak muncul dalam demo vendor: kebanyakan yang menentukan sama ada AI berfungsi atau gagal telah benar sejak 1990-an. Era berubah. Penghambatnya tidak.

Kualiti data masih menentukan hasil. Laporan Gartner 2025 mendapati bahawa 60% projek AI akan ditinggalkan sehingga 2026 kerana data yang tidak mencukupi. Ini adalah masalah berusia 30 tahun yang memakai topi baru. Model kredit bank dari tahun 2001 gagal kerana input yang buruk. Pemarkahan lead berasaskan CRM anda gagal kerana input yang buruk hari ini. Kesediaan data masih merupakan prasyarat yang tidak menarik yang menentukan segalanya.

Integrasi sistem masih mengambil masa lebih lama daripada yang dijangka. Setiap era menjadikan keupayaan AI lebih mudah diakses. Tiada satu pun yang menjadikan penyambungan keupayaan tersebut kepada sistem perniagaan sedia ada jauh lebih pantas. Anda masih memerlukan kontrak API, kerja saluran paip data, dan pengurusan kebenaran dalam urutan yang sama seperti sebelumnya.

Tadbir urus masih penting. Pemarkahan kredit dalam Era 1 perlu mematuhi peraturan pinjaman yang adil. Pengecaman imej dalam Era 2 mendedahkan bias dalam alat pengambilan pekerja. LLM dalam Era 3 menghasilkan jawapan yang salah secara yakin dan membocorkan data sensitif. Sifat masalah tadbir urus berevolusi. Keperluannya tidak pernah hilang.

Predict masih merupakan keupayaan yang paling sukar. Predict bergantung pada data sejarah berlabel yang mencerminkan masa depan yang ingin anda ramalkan. Kebergantungan itu tidak berubah dengan model yang mendasarinya. Input yang buruk menghasilkan skor yang buruk dalam ketiga-tiga era.

Manusia masih perlu kekal dalam gelung untuk Execute yang berisiko tinggi. Sempadan Generate vs. Execute memerlukan pengawasan manusia tanpa mengira tahun. Era 1 mempunyai penolakan pinjaman automatik yang melanggar peraturan pinjaman yang adil. Era 3 mempunyai agen AI yang menghantar e-mel yang salah dan mengemas kini rekod CRM secara tidak betul. Alat berbeza, kategori masalah sama.

Bagaimana ACE Framework dipetakan merentas ketiga-tiga era

ACE Framework disusun berdasarkan keupayaan dan bukan teknologi kerana keupayaan tersebut mendahului alat semasa sebanyak beberapa dekad.

Ingest wujud dalam ketiga-tiga era: OCR dan kemasukan manual dalam Era 1, Google Vision dan API pertuturan-ke-teks dalam Era 2, model berbilang mod dalam Era 3. Keupayaannya konsisten. Ketepatan dan aksesnya bertambah baik.

Analyze adalah keupayaan tertua. Pengelasan teks dan pengekstrakan entiti wujud dalam penyelidikan sebelum AI komersial menjadi satu kategori. Era 3 menjadikannya tersedia melalui arahan bahasa semula jadi kepada sesiapa sahaja yang mempunyai pelayar.

Predict adalah wilayah asal Era 1, diperhalusi selama 30 tahun. Logiknya (data sejarah menghasilkan ramalan kebarangkalian) tidak berubah. Pendekatan yang dipertingkat dengan LLM kini menggabungkan isyarat tidak berstruktur bersama data berstruktur, tetapi kategori keupayaannya sama.

Generate hampir tidak wujud dalam Era 1 selain isian templat. Era 3 menjadikannya keupayaan yang paling ketara, kerana outputnya boleh dibaca oleh mana-mana manusia tanpa konteks teknikal.

Execute wujud dalam ketiga-tiga era dalam bentuk yang semakin meluas: penolakan pinjaman automatik dalam Era 1, penandaan kandungan pada skala besar dalam Era 2, agen AI autonomi dalam Era 3. Apa yang berubah adalah skop tindakan dan seberapa cepat AI boleh merantainya. Keperluan tadbir urus berkembang secara proporsional.

Mengapa kestabilan rangka kerja penting

Nama model tertentu mempunyai jangka hayat yang pendek. GPT-4 menjadi GPT-4o. Claude-3 menjadi Claude-3.5, kemudian 3.7. Gemini Ultra diumumkan, dikemas kini, dan dinamakan semula dalam masa setahun. GitHub Copilot menambah ciri setiap suku tahun. Jasper mendapat khabar angin pengambilalihan, perubahan perkongsian, dan satu atau dua perubahan haluan.

Jika pemahaman anda tentang AI disusun berdasarkan produk tertentu, anda membina semula model mental anda setiap enam bulan. Ini meletihkan, dan ia membawa kepada keputusan yang buruk: mengejar model terbaharu dan bukannya melakukan kerja integrasi yang tidak menarik, memberi perhatian berlebihan kepada vendor yang mungkin tidak wujud dalam dua tahun, dan mengelirukan "antaramuka baharu" dengan "keupayaan baharu."

ACE Framework disusun pada tahap abstraksi yang melampaui kitaran produk. Ingest adalah Ingest sama ada anda memanggil Google Vision API pada 2016 atau titik akhir GPT-4o berbilang mod pada 2025. Predict adalah Predict sama ada anda menjalankan XGBoost pada pelayan atau memanggil Salesforce Einstein Forecasting. Alat berubah. Keupayaan tidak.

Ini bukan sekadar falsafah. Ia mempunyai implikasi praktikal tentang cara anda menyusun pemikiran AI anda. Jika anda menilai inisiatif AI menggunakan penandaan keupayaan dan bukannya nama produk, rangka kerja penilaian anda bertahan melalui perubahan vendor, penggabungan, dan penamatan model. Anda boleh menukar alat. Peta keupayaan kekal konsisten.

Apa yang mungkin datang dalam Era 4: spekulasi

Tiada siapa yang tahu seperti apa Era 4. Tetapi terdapat arah penyelidikan yang patut diperhati yang mungkin mempromosikan keupayaan kelas pertama baharu.

Model dunia memberi AI pemahaman fizikal yang berterusan: bagaimana objek berkelakuan dalam ruang, bagaimana sistem mekanikal berfungsi. Ini paling penting untuk pembuatan dan infrastruktur fizikal. Model dunia yang boleh dipercayai akan mewakili paksi keupayaan yang benar-benar baharu, bukan sekadar versi yang lebih baik dari yang sedia ada.

Memori yang berterusan mengubah cara Analyze dan Predict berfungsi. AI hari ini sebahagian besarnya bermula segar setiap sesi. Sistem yang mengumpul konteks tentang perniagaan anda selama berbulan-bulan akan berfungsi sangat berbeza daripada sistem yang melupakan anda pada setiap muat semula.

Penyelarasan berbilang agen menolak Execute ke arah autonomi penuh: satu agen merancang, satu lagi melaksanakan, yang ketiga mengesahkan, yang keempat mengeskalasi kepada manusia. Versi awal wujud (AutoGPT, Microsoft Copilot Studio), tetapi sistem berbilang agen yang boleh dipercayai pada skala perniagaan masih di peringkat awal.

Jika mana-mana daripadanya matang menjadi keupayaan komersial, "Remember" atau "Coordinate" mungkin layak mendapat tempat di samping lima keupayaan ACE sedia ada. Rangka kerja ini jelas menyatakan bahawa ia mungkin perlu semakan. Lima yang sedia ada meliputi bidang tersebut sehingga 2026.

Cara bersedia untuk Era 4

Strategi persediaan bukan "pilih model terbaik hari ini." Setiap syarikat yang memberi perhatian besar kepada model atau vendor tertentu terpaksa membuat semula kerja apabila keadaan berubah. Pelaburan yang tahan lama adalah bebas era.

Laburkan dalam kerja Asas terlebih dahulu. Kesediaan data adalah membosankan. Ia juga merupakan pelaburan AI yang paling tahan lama. Data yang bersih, berlabel, dan boleh diakses mengekstrak nilai dari setiap generasi alat. Input yang berantakan menghasilkan output yang buruk tanpa mengira model.

Pastikan model asas boleh ditukar ganti. Jika aliran kerja anda dibina pada API satu vendor tanpa lapisan abstraksi, vendor itu boleh membatalkan pendekatan anda pada bila-bila masa. Pustaka seperti LangChain dan LlamaIndex wujud khusus supaya anda boleh menukar model tanpa membina semula aliran kerja. Had ACE Framework secara eksplisit termasuk bersifat agnostik teknologi. Susun atur anda juga seharusnya begitu.

Nilai berdasarkan keupayaan, bukan nama produk. Tanya keupayaan ACE mana yang digunakan oleh inisiatif baharu. Tandakan alat mengikut keupayaan. Membaca kes penggunaan AI mengikut campuran keupayaannya adalah kemahiran yang boleh dipindahkan merentas era, kerana landskap vendor akan terus berubah.

Gambaran 30 tahun dalam satu bingkai

AI perniagaan telah berada di lapangan sejak sebelum kebanyakan orang yang menjualnya hari ini memulakan kerjaya mereka. Keupayaannya telah berkembang. Halangan akses telah turun. Antaramuka berubah secara dramatik pada 2022, dan perubahan itu nyata dan signifikan.

Tetapi logik yang mendasarinya tidak berubah. Kualiti data menentukan hasil. Integrasi adalah sukar. Tadbir urus penting. Predict masih merupakan keupayaan yang paling sukar untuk dilaksanakan dengan betul. Manusia masih perlu kekal dalam gelung untuk tindakan yang berkesan.

ACE Framework tidak menggambarkan AI 2026. Ia menggambarkan apa itu AI perniagaan: lima kata kerja, diterapkan pada data, disusun menjadi aliran kerja. Lima kata kerja tersebut mendahului ChatGPT sebanyak beberapa dekad. Dan jika Era 4 menambah yang keenam, kami akan mengemas kini rangka kerja untuk mencerminkannya.

Priya tidak perlu percaya AI bermula pada 2022. Dia perlu memahami apa yang dilakukannya, cara menilainya, dan di mana pelaburan yang tahan lama berada. Pemahaman itulah yang dibina oleh rangka kerja ini untuk disediakan.

---

Apa yang perlu dibaca seterusnya

• ACE Framework: model lima keupayaan penuh, dengan susunan enam lapisan dan contoh yang dikerjakan pada Gong
• AI Ramalan lwn. AI Generatif: bagaimana binari popular industri dipetakan ke ACE Framework, dan di mana ia gagal
• Apa Itu AI Perniagaan?: definisi praktikal yang merangkumi ketiga-tiga era
• Had ACE Framework: had yang jujur, termasuk fakta bahawa rangka kerja ini memerlukan semakan apabila bidang berkembang
• Kesediaan Data: prasyarat yang sama pentingnya dalam ketiga-tiga era
• Predict: keupayaan tertua, dan masih yang paling sukar untuk dilaksanakan dengan betul